基于数据驱动的配电网光伏双层优化调控策略

doi:10.3969/j.issn.1000－7229.2020.03.008

摘要/Abstract

摘要： 高渗透分布式电源接入后，对配电网电压和网损的优化提出了更高的要求。而传统的集中式控制缺少大量的量测设备和通信设备，导致数据采集不完整，优化模型不精确，难以满足大规模光伏并网的运行要求。所以文章构建了一种双层优化模型来改善传统集中式控制的不足；在概率优化的电气距离矩阵的基础上，使用蚁群聚类进行有效分区和主导节点选择，以此分区将传统的配电网二级控制引入第1层模型，然后利用基于粒子群算法优化极限学习机（particle swarm optimization extreme learning machine，PSO-ELM）神经网络挖掘并拟合配电网参数数据之间的函数关系，对第1层控制模型进行反复迭代修正。最后，在IEEE-33节点上进行仿真计算，验证了该模型对于配电网电压和光伏出力调控的有效性。

关键词: 集中式控制, 双层优化, 蚁群聚类, 粒子群-极限学习机神经网络

Abstract: With the access of high-proportion distributed power supply， higher requirement of the optimization of distribution network voltage and network loss is made. However， traditional centralized control lacks enough measurement and communication equipment， which leads to incomplete data acquisition and inaccurate optimization model， and makes it difficult to meet the operation requirements of large-scale photovoltaic power accessing to grid. In this paper， a double-layer optimization model is constructed to make up for the shortcomings of traditional centralized control. On the basis of the electrical distance matrix of probability optimization， ant colony clustering is used for effective partition and dominant node selection. Traditional secondary control of distribution network is introduced into the first layer model， and then the PSO-ELM neural network is used to mine and fit the functional relationship among the distribution network parameter data， and iteratively corrects the first-layer control model. Finally， the simulation results of IEEE 33-node system verify the effectiveness of the model for voltage and photovoltaic output control of distribution network.

Key words: centralized control, double-layer optimization, ant colony clustering, partical swarm optimization-extreme learning machine neural network

中图分类号:

TM 72

史晨豪，唐忠，魏敏捷，李征南，陈寒. 基于数据驱动的配电网光伏双层优化调控策略[J]. 电力建设, 2020, 41(3): 62-70.

SHI Chenhao， TANG Zhong， WEI Minjie， LI Zhengnan，CHEN Han. Double-Layer Optimal Control Strategy for Distribution Network with Photovoltaic Power Driven by Data[J]. Electric Power Construction, 2020, 41(3): 62-70.

参考文献

［1］郭剑虹，黄冬冬，王洋，等. 基于电压灵敏度分析的分布式光伏在线调控策略［J］. 电力系统及其自动化学报， 2016， 28（10）： 47-54.
GUO Jianhong， HUANG Dongdong， WANG Yang， et al. Distributed PV online control strategy based on voltage sensitivity analysis［J］. Proceedings of the CSU-EPSA， 2016， 28（10）： 47-54.
［2］蔡宇，林今，宋永华，等. 基于模型预测控制的主动配电网电压控制［J］. 电工技术学报， 2015， 30（23）： 42-49.
CAI Yu， LIN Jin， SONG Yonghua， et al. Voltage control strategy in active distribution network based on model predictive control［J］. Transactions of China Electrotechnical Society， 2015， 30（23）： 42-49.
［3］MAKNOUNINEJAD A， QU Z H. Realizing unified microgrid voltage profile and loss minimization： A cooperative distributed optimization and control approach［J］. IEEE Transactions on Smart Grid， 2014， 5（4）： 1621-1630.
［4］张宇精，乔颖，鲁宗相，等. 含高比例分布式电源接入的低感知度配电网电压控制方法［J］. 电网技术， 2019， 43（5）： 1528-1535.
ZHANG Yujing， QIAO Ying， LU Zongxiang， et al. Voltage control for partially visible distribution networks with high DG penetration［J］. Power System Technology， 2019， 43（5）： 1528-1535.
［5］魏昊焜，刘健，高慧. 分布式电源的本地电压控制策略［J］. 电力自动化设备， 2016， 36（9）： 40-45.
WEI Haokun， LIU Jian， GAO Hui. Local voltage control of distributed generations［J］. Electric Power Automation Equipment， 2016， 36（9）： 40-45.
［6］CIOCIA A， BOICEA V A， CHICCO G， et al. Voltage control in low-voltage grids using distributed photovoltaic converters and centralized devices［J］. IEEE Transactions on Industry Applications， 2019， 55（1）： 225-237.
［7］RASMUSSEN T B， YANG G Y， NIELSEN A H， et al. Effects of centralized and local PV plant control for voltage regulation in LV feeder based on cyber-physical simulations［J］. Journal of Modern Power Systems and Clean Energy， 2018， 6（5）： 979-991.
［8］ZHAO B， XU Z C， XU C， et al. Network partition-based zonal voltage control for distribution networks with distributed PV systems［J］. IEEE Transactions on Smart Grid， 2018， 9（5）： 4087-4098.
［9］王笑雪，徐弢，王成山，等. 基于MAS的主动配电网分布式电压控制［J］. 中国电机工程学报， 2016， 36（11）： 2918-2926.
WANG Xiaoxue， XU Tao， WANG Chengshan， et al. Distributed voltage control in active distribution networks utilizing multiple agent system［J］. Proceedings of the CSEE， 2016， 36（11）： 2918-2926.
［10］杨洋，吕林，肖万芳，等. 主动配电网多代理能量管控的分层协同策略［J］. 电力系统及其自动化学报， 2016， 28（7）： 117-124.
YANG Yang， L Lin， XIAO Wanfang， et al. A hierarchical coordination strategy of energy management based on multi-agent system in active distribution network［J］. Proceedings of the CSU-EPSA， 2016， 28（7）： 117-124.
［11］蔡永翔，唐巍，张博，等. 含高比例户用光伏低压配电网集中-就地两阶段电压-无功控制［J］. 电网技术， 2019， 43（4）： 1271-1280.
CAI Yongxiang， TANG Wei， ZHANG Bo， et al. A two-stage volt-var control in LV distribution networks with high proportion of residential PVs［J］. Power System Technology， 2019， 43（4）： 1271-1280.
［12］BIDGOLI H S， VAN CUTSEM T. Combined local and centralized voltage control in active distribution networks［J］. IEEE Transactions on Power Systems， 2018， 33（2）： 1374-1384.
［13］李建芳，张璐，宋晓辉，等. 含高渗透率分布式电源的配电网多目标无功分区及主导节点选择方法［J］. 可再生能源， 2017， 35（11）： 1664-1671.
LI Jianfang， ZHANG Lu， SONG Xiaohui， et al. Multi-objective reactive power partitioning and pilot node selection of distribution network with high penetration of DGs［J］. Renewable Energy Resources， 2017， 35（11）： 1664-1671.
［14］郑吉祥，钟俊.基于节点类型和分区耦合性的复杂网络无功电压快速分区方法［J/OL］.电网技术：1-7. ［2019-09-09］https：//doi.org/10.13335/j.1000-3673.pst.2018.2654.
ZHENG Jixiang， ZHONG Jun. A complex network theory fast partition algorithm of reactive voltage based on node type and coupling of partitions［J/OL］. Power System Technology：1-7. ［2019-09-09］https：//doi.org/10.13335/j.1000-3673.pst.2018.2654.
［15］AKARSU E， KARAHOCA A. Simultaneous feature selection and ant colony clustering［J］. Procedia Computer Science， 2011（3）： 1432-1438.
［16］GNER A， ALIN  F， ?瘙塁ENGR A. Automatic digital modulation classification using extreme learning machine with local binary pattern histogram features［J］. Measurement， 2019， 145： 214-225.
［17］LAW A， GHOSH A. Multi-label classification using a cascade of stacked autoencoder and extreme learning machines［J］. Neurocomputing， 2019， 358： 222-234.
［18］ZHONG J H， ZHANG J， LIANG J， et al. Multi-fault rapid diagnosis for wind turbine gearbox using sparse Bayesian extreme learning machine［J］. IEEE Access， 2019， 7： 773-781.
［19］缪希仁，林瑞聪. 基于关联维数与极端学习机的高压输电线路雷击过电压故障识别［J］. 高电压技术， 2016， 42（5）： 1519-1526.
MIAO Xiren， LIN Ruicong. Lightning over-voltage fault identification of high-voltage transmission line based on correlation dimension and extreme learning machine［J］. High Voltage Engineering， 2016， 42（5）： 1519-1526.
［20］SUN N， ZHOU J Z， CHEN L， et al. An adaptive dynamic short-term wind speed forecasting model using secondary decomposition and an improved regularized extreme learning machine［J］. Energy， 2018， 165： 939-957.
［21］AHILA R， SADASIVAM V， MANIMALA K. An integrated PSO for parameter determination and feature selection of ELM and its application in classification of power system disturbances［J］. Applied Soft Computing， 2015， 32： 23-37.
［22］PATEL N K， AMBAWADE D D. Approximating resource provisioning cost in cloud computing using reduced scenario set obtained from fast forward selection algorithm［C］//2014 IEEE International Conference on Advanced Communications， Control and Computing Technologies. Ramanathapuram， India： IEEE， 2014： 1656-1661.

[1]	甘霖，胡帆，杨思渊，刘育权，艾芊. 面向电动汽车集群实时充放电优化的分群调度机制[J]. 电力建设, 2019, 40(1): 41-48.
[2]	冯麒铭，刘继春，杨阳方，谭心怡，尹龙，孙宁杰. 考虑能源重复转换的综合能源系统经济运行[J]. 电力建设, 2018, 39(12): 47-54.
[3]	王珂, 李媛, 杨文涛, 李涛, 岑海凤, 许苑, 文福拴. 计及路-网-车交互作用的电动汽车充电实时优化调度[J]. 电力建设, 2018, 39(12): 63-72.
[4]	俞敏, 倪琳娜, 方鹏, 刘福炎, 文福拴. 计及分布式发电出力与电价不确定性的负荷聚合商电能获取策略[J]. 电力建设, 2018, 39(1): 10-.
[5]	胡德权，郭春林，俞秦博，杨晓言. 基于电价引导的电动汽车充电双层优化策略[J]. 电力建设, 2018, 39(1): 48-.
[6]	凌开元, 关志坚，吴涵, 袁越，范绚然. 考虑电压控制的含移动储能的主动配电网调度策略 [J]. 电力建设, 2017, 38(6): 44-.
[7]	刘源，杨军，杨丙权，朱旭，陈艳，王宣. 考虑"风-光-荷-储"联合运行的配电网双层规划方法[J]. 电力建设, 2017, 38(11): 87-.
[8]	尹昆，刘亚娟，易国伟，周鹏. 考虑储能系统的发电商最优供给函数[J]. 电力建设, 2015, 36(6): 14-19.